دوره آماده‌سازی برای آزمون DP-600: مهندسی تحلیلگر داده در Microsoft Fabric همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آماده‌سازی برای آزمون DP-600: مهندسی تحلیلگر داده در Microsoft Fabric

موضوع کلی: مهندسی داده و هوش تجاری

موضوع میانی: مهندسی تحلیلگر داده در Microsoft Fabric

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده و هوش تجاری
• 2. معرفی Microsoft Fabric
• 3. معماری Microsoft Fabric
• 4. مخازن داده در Fabric
• 5. انبار داده در Fabric
• 6. دریاچه داده در Fabric
• 7. موتور پردازش یکپارچه در Fabric
• 8. کامل کردن مدل‌های داده
• 9. ایجاد مدل‌های سیمی
• 10. ایجاد مدل‌های ابعادی
• 11. مدل‌سازی داده با استفاده از DAX
• 12. توابع DAX برای مدل‌سازی
• 13. مدل‌سازی پیشرفته با DAX
• 14. بهینه‌سازی مدل‌های DAX
• 15. مدیریت و امنیت مدل‌های داده
• 16. اصول امنیت داده
• 17. مدیریت دسترسی به داده
• 18. ایجاد و مدیریت نقش‌ها
• 19. امنیت در سطح ردیف
• 20. امنیت در سطح ستون
• 21. امنیت مبتنی بر شیء
• 22. استفاده از Azure Active Directory
• 23. مدیریت اشتراک‌گذاری داده
• 24. پایپ‌لاین‌های داده در Fabric
• 25. ایجاد پایپ‌لاین‌های داده
• 26. اتوماسیون پایپ‌لاین‌های داده
• 27. نظارت بر پایپ‌لاین‌های داده
• 28. مدیریت خطا در پایپ‌لاین‌ها
• 29. بهینه‌سازی پایپ‌لاین‌های داده
• 30. یکپارچه‌سازی با سایر سرویس‌ها
• 31. ابزارهای هوش تجاری در Fabric
• 32. گزارش‌دهی در Fabric
• 33. ایجاد گزارش‌های تعاملی
• 34. داشبوردهای پیشرفته
• 35. تجسم داده در Fabric
• 36. انتخاب نمودارهای مناسب
• 37. طراحی داشبوردهای مؤثر
• 38. اصول طراحی رابط کاربری
• 39. کاربران و نیازهای آن‌ها
• 40. تجزیه و تحلیل داده‌ها
• 41. کاوش داده‌ها
• 42. استخراج بینش از داده‌ها
• 43. پایپ‌لاین‌های ETL/ELT در Fabric
• 44. انتقال و تبدیل داده
• 45. بارگذاری داده در Fabric
• 46. استفاده از Spark برای پردازش داده
• 47. Spark SQL در Fabric
• 48. PySpark در Fabric
• 49. بهینه‌سازی پردازش Spark
• 50. مدیریت داده‌های جریانی
• 51. پردازش داده‌های جریانی در Fabric
• 52. استفاده از Azure Stream Analytics
• 53. یکپارچه‌سازی با Kafka
• 54. مدل‌سازی داده‌های جریانی
• 55. مدیریت و مانیتورینگ داده‌های جریانی
• 56. اصول مدیریت پروژه‌های هوش تجاری
• 57. برنامه‌ریزی و زمان‌بندی
• 58. تخصیص منابع
• 59. مدیریت ریسک
• 60. مدیریت کیفیت داده
• 61. پایش و ارزیابی عملکرد
• 62. بهبود مستمر
• 63. اخلاق در مهندسی داده
• 64. حریم خصوصی داده‌ها
• 65. امنیت داده‌ها
• 66. قوانین و مقررات داده
• 67. مسئولیت‌پذیری در مهندسی داده
• 68. سوگیری در داده‌ها و الگوریتم‌ها
• 69. استفاده صحیح از داده‌ها
• 70. تکنیک‌های پیشرفته مدل‌سازی
• 71. حسابداری مقادیر در DAX
• 72. توابع زمانی در DAX
• 73. توابع روابط در DAX
• 74. توابع هوش مصنوعی در DAX
• 75. بهینه‌سازی عملکرد DAX
• 76. استراتژی‌های مقیاس‌پذیری
• 77. تحلیل سناریوهای پیچیده
• 78. استفاده از PowerShell و CLI
• 79. مدیریت خودکار Fabric
• 80. مفاهیم پیشرفته انبار داده
• 81. طراحی انبارهای داده توزیع‌شده
• 82. انبار داده‌های عملیاتی
• 83. انبار داده‌های تحلیلی
• 84. مدیریت چرخه عمر داده
• 85. تکنیک‌های پیشرفته تجسم داده
• 86. تجسم داده‌های مکانی
• 87. تجسم داده‌های زمان
• 88. تجسم داده‌های شبکه‌ای
• 89. طراحی داشبوردهای مدیریتی
• 90. استانداردهای گزارش‌دهی
• 91. ارتباط مؤثر با ذینفعان
• 92. تکنیک‌های مصاحبه با کاربران
• 93. درک نیازمندی‌های کسب و کار
• 94. ترجمه نیازمندی‌ها به راه‌حل‌های فنی
• 95. تست و اعتبارسنجی راه‌حل‌ها
• 96. مستندسازی پروژه‌ها
• 97. نگهداری و پشتیبانی سیستم‌ها
• 98. آموزش کاربران نهایی
• 99. به‌روزرسانی و ارتقاء سیستم‌ها
• 100. ارزیابی اثربخشی راه‌حل‌ها